V: Modelos de pronósticos e Inventarios.

5.1 Modelos de pronósticos.

En la toma de decisiones se elaboran planes para el futuro. Entonces, los datos
que describen la situación de la decisión deben representar lo que sucederá en el
futuro. Por ejemplo, en el control de inventarios, las decisiones se basan en la
naturaleza de la demanda del artículo controlado durante determinado horizonte
de planeación. También, en la planeación financiera, se necesita pronosticar la
pauta del flujo de efectivo a través del tiempo.
Hay 2 maneras más usuales de clasificar los modelos de pronósticos, las cuales
son:
1. Según el plazo de tiempo para el cual se utilizan, pudiendo ser de corto,
mediano o largo plazo.
2. Según el tipo de modelo, los que pueden ser cualitativos y cuantitativos, los que
a su vez se subdividen conforme al esquema de la figura XIII.1

5.2 Enfoque simple.

También llamado pronostico empírico. Uno de los métodos más sencillos es usar
el último dato como pronóstico para el siguiente periodo. Es decir, el pronóstico de
la demanda para el siguiente periodo es igual a la demanda observada en el
periodo actual.
Por ejemplo, si la demanda real para el miércoles ha sido 35 clientes, la demanda
para el jueves será 35 clientes. Si la demanda real del jueves es 42 clientes, la
demanda pronosticada para el viernes será de 42 clientes.
Este método puede tomar en cuenta una tendencia de la demanda. El incremento
(o decremento) observado en la demanda de los dos últimos periodos se usa para
ajustar la demanda actual con miras a elaborar un pronóstico.

Formula

El pronóstico del período t (Ft) será igual al pronóstico del período anterior, es

decir, del período t-1 (Ft-1) más alfa (α) por el error del período anterior (A t-1 – Ft-1)
según se muestra en la fórmula a continuación:

Ft = Ft-1 + α (At-1 - Ft-1)

5.2.1 Ejercicio Pronostico de Abril

1. Una compañía desea realizar un pronóstico para el mes de abril, teniendo

en cuenta la siguiente información:
 

MES VENTAS REALES

Enero 2560 unidades
Febrero 3205 unidades
Marzo 2830 unidades
Abril ?

De febrero a marzo hay una diferencia de -375 unidades, por lo cual el pronóstico
para el mes de abril sería igual a 2830-375=2455 unidades.

5.2.2 Ejercicio Purificadora de agua

2. Determine el enfoque simple para un negocio que purifica agua.
a) Si la demanda del mes de agosto fue de 223 garrafones saque el
pronóstico del mes de septiembre.

Si en agosto se llenaron 223 garrafones se espera que en septiembre sean

de nuevo 223 garrafones.
 b) Si la demanda real del mes de septiembre fue de 260 garrafones cual será
el pronóstico para el mes de octubre tomando en cuenta la tendencia

De agosto (223 garrafones) a septiembre (260 garrafones) hubo un

crecimiento de 37 garrafones llenados se espera que la tendencia siga
siendo la misma, por lo que en el mes de octubre se espera un llenado de
297 garrafones.
5.3 Promedio Móvil

La utilización de esta técnica supone que la serie de tiempo es estable, esto es,
que los datos que la componen se generan sin variaciones importantes entre un
dato y otro (error aleatorio=0) 2 , esto es, que el comportamiento de los datos
aunque muestren un crecimiento o un decrecimiento lo hagan con una tendencia
constante.
Cuando se usa el método de promedios móviles se está suponiendo que todas
las observaciones de la serie de tiempo son igualmente importantes para la
estimación del parámetro a pronosticar (en este caso los ingresos). De esta
manera, se utiliza como pronóstico para el siguiente periodo el promedio de los n
valores de los datos más recientes de la serie de tiempo. Utilizando una expresión
matemática, tenemos:
El término móvil indica que conforme se tienen una nueva observación de la serie
de
Σ(n valores de datos más recientes)
Promedio Movil=
n

5.3.1 Ejercicio Howard C.O.

La compañía Howard C.O. presenta en el siguiente tabulado el reporte de ventas

correspondiente al año 2009.
VENTAS Tomando 3 meses Tomando 6 meses
MES REALES (a) (b)
(2009)
Enero 80
Febrero 90
Marzo 85
Abril 70 85o 6 meses
Mayo 80 81.66
Junio 105 78.33
 Julio 100 85 85
Agosto 105 95 88.33
Septiembre 100 103.33 90.83
Octubre 105 101.66 93.33
Noviembre 100 103.33 99.16
Diciembre 150 101.66 102.5

Teniendo en cuenta los datos anteriores, se debe calcular un pronóstico mediante

la técnica de Promedio Móvil utilizando:

a) Un período de 3 meses (a partir de abril de 2009)

b) Un período de 6 meses (a partir de julio de 2009)

El objetivo consiste en identificar con cuál de los dos períodos del pronóstico se
obtiene mayor precisión al compararse con las ventas reales del reporte.

El periodo del pronóstico con el que se obtiene mayor precisión es el promedio

móvil de 3 meses.

5.3.2 Ejercicio tienda departamental

Calcule un pronóstico de promedio móvil de 5 días para estimar el número

de clientes que entraran a una tienda departamental en el día número 6.
Las cifras correspondientes a la llegada de clientes en los últimos 5 días es
la siguiente:

Día Llegada de clientes

1 400
2 530
3 480
4 315
5 623
6 ¿?

400+530+480+315+623=470 clientes en el día número 6.

5.4 Medición de error del pronostico

Hay dos fuentes de error en pronósticos: Sesgados y aleatorios.
El primero, también llamado sistemático es ocasionado por un error constante, por
ejemplo, una mala interpretación de la demanda, usar variables incorrectas o con
relaciones equivocadas. Este tipo de error se verá minimizado de acuerdo a la
experticia del administrador de operaciones.

El error aleatorio es aquel que no tiene explicación, es decir, es el error originado

por factores imprevisibles y por ende no se conoce qué es lo que lo causa.

Suma acumulada de errores de pronóstico (CFE)

Es la medida más básica de todas y es la que da origen a las demás. Es la suma
acumulada de los errores de pronóstico. Nos permite evaluar el sesgo del
pronóstico. Por ejemplo, si a través de los periodos el valor real de la demanda
siempre resulta superior al valor de pronóstico, la CFE será más grande, indicando
la existencia de un error sistemático en el cálculo de la demanda.

Desviación media absoluta (MAD)

Mide la dispersión del error de pronóstico o, dicho de otra forma, la medición
del tamaño del error en unidades. Es el valor absoluto de la diferencia entre la
demanda real y el pronóstico, dividido sobre el número de periodos.

Error cuadrático medio (MSE)

Al igual que la DAM, el MSE es una medida de dispersión del error de
pronóstico, sin embargo, esta medida maximiza el error al elevar al cuadrado,
castigando aquellos periodos donde la diferencia fue más alta a comparación de
otros. En consecuencia, se recomienda el uso del MSE para periodos con
desviaciones pequeñas.

Error porcentual medio absoluto (MAPE)

El MAPE nos entrega la desviación en términos porcentuales y no en unidades
como las anteriores medidas. Es el promedio del error absoluto o diferencia entre
la demanda real y el pronóstico, expresado como un porcentaje de los valores
reales.
5.4.1 Ejercicio ingE
En este ejemplo de errores de pronóstico, tomamos la empresa IngE que vende
televisores y su demanda a través del año fue la siguiente:

Periodo Demanda
1 56
2 50
3 47
4 51
5 58
6 62
7 55
8 48
9 39
10 44
11 49
12 55
13 61
14 70
15 58
  La suma acumulada de errores de pronóstico es 27. Ya la teníamos
calculada al hacer la sumatoria en la columna de error de pronóstico.
 La desviación absoluta media (MAD) la calculamos dividiendo 97 entre 12.
 El error cuadrático medio (MSE) lo calculamos dividiendo 1081 entre 12.
 Dividimos 182% entre 12 para calcular el error porcentual absoluto medio
(MAPE)

CFE=27,00 MAD=8,08 MSE=90,08 MAPE=15.18%

5.5 Promedio Móvil Ponderado

¿Todas las observaciones tienen el mismo grado de importancia para el cálculo de
promedios?

El promedio móvil simple supone efectivamente, que todos los datos utilizados
para calcular el promedio son igualmente importantes; todos tienen el mismo peso
o influencia en el pronóstico. No hace la diferencia entre la observación más
reciente y las más antiguas.

Sin embargo, el pronosticador puede estimar que la observación más reciente es

la más importante y por tanto se le debe “ponderar” con un mayor peso que las
demás.

Esto lo resuelve el modelo de “Promedio móvil ponderado”, que permite asignar un

mayor peso (grado de importancia) a la observación más reciente y menores
pesos, en forma decreciente a las siguientes observaciones hacia el pasado.

5.5.1 Ejercicio del almacén.

Un almacén ha determinado que el mejor pronóstico se encuentra
determinado con 4 datos y utilizando los siguientes factores de ponderación
(40%, 30%, 20% y 10%). Determinar el pronóstico para el período 5.
 
Período      Ventas (unidades)      Ponderación
Mes 1      100,000      10%
 Mes 2       90,000      20%
  Mes 3       105,000      30%
Mes 4      95,000      40%
 
Periodo 5=100,000(.10)+90,000(.20)+105,000(.30)+95,000(.40)=97,500 unidades

5.5.2 Ejercicio de IngE.

IngE es una compañía productora de alimentos para perro y requiere calcular el

pronóstico de demanda con el método de media móvil ponderada. Para la
empresa, la demanda pasada reciente es la más importante y le asignan un peso
de 50%. La demanda intermedia tiene un peso de 30% y la más lejana de 20%.

Periodo Demanda
1 130
2 145
3 139
4 ¿?
5 ¿?

a) Pronosticar el periodo 4
Periodo 4= 130(.50)+145(.30)+139(.20)=136.3 unidades.

b) Si la demanda real del periodo 4 fue de 153 unidades. Pronosticar el

periodo 5.
Periodo 5= 153(.50)+130(.30)+145(.20)= 144.5 unidades.

5.6 Suavización Exponencial

Otro método para realizar un pronóstcico es el método de suavización

exponencial. A diferencia de los promedios móviles, este método pronostica
otorgando una ponderación a los datos dependiendo del peso que tengan dentro
del cálculo del pronóstico. Esta ponderación se lleva a cabo a través de otorgarle
un valor a la constante de suavización, α, que puede ser mayor que cero y menor
que uno. Para nuestro ejemplo, utilizamos un valor de α = 0.8, por ser éste el que
mejor ajusta al pronóstico a los datos reales.

El método de suavización exponencial supone que el proceso es constante, al

igual que el método de promedios móviles. Esta técnica está diseñada para
atenuar una desventaja del método de promedios móviles, en donde los datos
para calcular el promedio tienen la misma ponderación. De manera particular, esta
técnica considera que las observaciones recientes tienen más valor, por lo que le
otorga mayor peso dentro del promedio.
La suavización exponencial utiliza un promedio móvil ponderado de los datos
históricos de la serie de tiempo como pronóstico; es un caso especial de promedio
móvil en donde se selecciona un solo valor de ponderación. El modelo básico de
suavización exponencial se presenta a continuación:

Ft+1 = αYt + (1 - α)Ft

Donde:
Ft+1 = Pronóstico de la serie de tiempo para el periodo de t + 1.
Yt = Valor real del periodo anterior al año a pronosticar.
Ft = Valor real del periodo ante anterior al año a pronosticar.
α = Constante de suavización (0 ≤ α ≤ 1).

5.6.1 Ejercicio Empresa de Consumo Masivo.

Una empresa de consumo masivo lleva registro de la demanda mensual de uno de

sus productos emblemáticos para un período de un año. Dicha información se
presenta en la columna etiquetada Demanda en la imagen a continuación. Se
requiere utilizar el método de suavizamiento exponencial simple considerando un
valor para el parámetro de suavizamiento alfa: 0,9. Obtener el pronóstico y evaluar
el ajuste del método.

MES PERIODO DEMANDA ALFA

ENE 1 2.000
2 1.350 2.000
FEB
MAR 3 1.950 1.415
ABR 4 1.975 1.897
MAY 5 3.100 1.967
JUN 6 1.750 2.987
JUL 7 1.550 1.874
AGO 8 1.300 1.582
SEP 9 2.200 1.328
OCT 10 2.770 2.113
NOV 11 2.350 2.704
DIC 12 2.230 2.385
ENE 13 2.246
Σ MAD=570,6 MAD=28.61 %
5.7 TENDENCIA LINEAL
El método de previsión de tendencias se basa en la técnica de regresión lineal de
la previsión de series temporales. La previsión de tendencia le ofrece la mejor
fiabilidad cuando los factores de control del negocio afectan a las medidas de
forma lineal. Por ejemplo, cuando los ingresos históricos aumentan o disminuyen a
un ritmo constante, se encuentra ante un efecto lineal.

Si se traza una multilínea de los datos históricos, debería ser lineal o

prácticamente lineal para ser considerada fiable. Por ejemplo, si prevé los ingresos
durante los dos próximos trimestres basándose en los ingresos de los cuatro
últimos trimestres y si el trazado de multilínea de los ingresos trimestrales
anteriores es lineal o casi lineal, el método de tendencia le ofrecerá la previsión
más fiable.

Formulas
FITt=Ft+Tt Ft=FiTt-1+ α(At-1+FiTt-1) Tt=Tt-1+ δ(Ft-FiTt)

5.7.1 Ejercicio TL1

Suponga que una Ft inicial de 290 unidades, una tenencia suavizada de 10
unidades, un alpha de 0.20 y una delta de 0.40.
Si la demanda es real resulta ser de 320 en vez de 290 calcule el pronostico para
el siguiente
FITt= 290+10=300

Ft=300+0.20(320-300)=

Tt=10+0.40( -300)=

FITt=

Ft=

5.8 REGRESION SIMPLE